基于MST-DeepLabv3+模型的高分辨率遥感影像耕地提取研究.pdf

摘要

耕地与经济和民生息息相关，是不可或缺的重要资源。然而，在我国城市化和工业

化的快速发展中，耕地资源正逐步被占用，威胁到“耕地红线”政策的目标。因此，快

速且准确的对耕地信息进行提取对保证农业可持续发展和国家粮食安全有着十分重要

的意义。

遥感影像能够提供地表物体的丰富信息，遥感影像分类是耕地信息提取的重要手

段。随着遥感影像质量的不断提升，高分辨率遥感影像带来了丰富的地物信息，但对其

高精度、高效率的分类提取也是一个极大的挑战。深度学习中的语义分割算法凭借着较

高的分类精度，以及较强的自动学习能力，逐渐成为处理高分辨率遥感影像的重要手段

之一。本文将深度学习语义分割模型应用于高分辨率遥感影像耕地信息提取，探索适用

于耕地提取的高精度、高效率方法。

经典语义分割模型通常具有大量的训练参数，进行影像分割时存在分割不准确和效

率低的问题，且大多数耕地提取的方法只适用于某些特定的数据集或者特定的研究区，

模型的泛化能力较差。针对这些问题，本文的主要研究工作和结论如下：

1DeepLabv3+MST-DeepLabv3+

（）对模型改进，得到模型。使用轻量级网络

MobileNetV2替代DeepLabv3+模型的特征提取网络Xception，以减少模型参数量，提高

训练速度；对比不同的注意力机制模块，选取通道注意力机制SENet加入模型，弥补轻

量级网络带来的精度损失，提高遥感影像语义分割的精度；引入迁移学习，将ImageNet

数据集上训练的特征提取网络用做预训练模型，增强模型获取特征的能力，提升网络分

割精度。在ISPRSVaihingen数据集与GID数据集上进行多模型对比实验的结果显示，

MST-DeepLabv3+模型具有优秀的分割性能，能够有效解决经典模型分割结果中存在的

不同程度误分、漏分及过度分割问题，改善地物边界及轮廓分割不准确的现象，为后续

耕地信息提取提供帮助。此外，消融实验也说明了改进方法对模型的影响。

2

（）耕地信息提取研究。以周口市太康县作为研究区，使用高分一号遥感卫星的

PMS影像制作太康耕地数据集。为进一步探索适用于耕地提取的方法，在

MST-DeepLabv3+模型的基础上，提出改变迁移模型的MST-DeepLabv3+(GID)与改变影

像波段组合的MST-DeepLabv3+(NirRG)两种方法。将这两种方法与MST-DeepLabv3+、

I

PSPNet、UNet和DeepLabv3+模型应用于太康耕地数据集。实验结果表明，本文提出的

MST-DeepLabv3+(GID)、MST-DeepLabv3+(NirRG)与MST-DeepLabv3+三种方法的各项

PSPNetUNetDeepLabv3+

评价指标值均高于、和模型，可以很好的完成耕地区域完整分

割，具有平滑分割边界，消除粘连现象的能力，能够高效且高精度的实现耕地信息提取。

其中MST-DeepLabv3+模型精度最高，整体效果更好。

实验证实了本文提出的三种模型均能有效的提取耕地信息，能够为今后的高分辨率

遥感影像耕地信息提取提供参考。其中MST-DeepLabv3+模型不仅在耕地提取任务中具

有最佳的分割性能，在其他数据集上也能得到较好的分割结果，泛化能力强。

关键词:高分辨率遥感影像，语义分割，轻量级网络，注意力机制，迁移学习

II

目录

摘要I

ABSTRACTIII

1绪论1

1.1研究背景与意义1

1.2国内外研究现状2

1.2.1基于机器学习的遥感影像分类方法2

1.2.2基于深度学习的遥感影像分类方法3

1.2.3耕地提取研究现状5

1.3研究内容与研究方法7

1.4本文结构安排8